在之前几篇文章中，搭建试用了几款目前市面上比较热门的开源AI自动化（辅助）渗透测试工具，效果参差不一，总的来说这几款工具离AI自动化安全测试离工程化、商业化还有一定的距离。本文参考已有的方案，基于Web越权漏洞这个常见的细分漏洞，利用AI大模型从零搭建一个自动化安全测试流程。
针对Web越权漏洞，其实已经很多很好用的辅助插件可以方便渗透测试人员进行测试，比如BurpSuite中的Autorize插件，只需要自定义需要替换的认证头即可被动测试。基于AI的测试插件也有很多，构建提示词对流量返回包进行对比分析省去人工核验的步骤。下面就基于水平越权且只有单个测试账号的场景，跑通AI自动化修改参数发包->AI自动比对响应包检测漏洞的流程。
我们的目标是做一个水平越权检测系统，AI修改参数，重放，AI比对响应得出漏洞检测结果，既然目标清晰，就可以编写提示词让AI IDE（本文使用的是Trae）n8n 工作流 教程将整个系统实现出来，参考提示词：
我想利用大模型技术开发一个被动式的Web越权漏洞检测系统：
1.传统的自动化越权漏洞检测原理为burpsuite的Authorize插件，通过被动式捕获http流量，对指定请求头进行替换如cookie，判断返回包长度大小是否一致，一致则存在越权漏洞；
2.我发现上述检测手段存在局限：一个是设置固定的替换请求头太过死板，只能检测浅层的越权漏洞，有些认证头如cookie参数非常多，应该根据参数名的含义和特征进行动态替换，如uid=1001可以替换为加uid=1（可能为管理员）或者随机减数如uid=998，或者phone=替换为phone=，这些都需要大模型识别参数含义进行动态替换；
3.另一个是只通过判断返回包长度大小过于局限，需要大模型根据返回包内容进行判断，防止误报；
4.另外为了节约token开销，需要过滤掉返回包静态资源如html、js、文件、图片等等，只判断返回格式为json、xml、txt获取其他有效数据返回格式的请求包
最终经过多轮对话，AI编写除了一个检测系统和一个存在水平越权的测试应用。
启动检测系统，检测系统启动在5000端口，监听了一个8080端口的被动代理，待测应用只需要代理这个端口即可。
点击启动扫描启动测试应用，这个测试应用的多个接口存在水平越权漏洞，如订单查询接口/api/user/orders?user_id=1可以看到使用检测系统成功检测出了这个接口的水平越权漏洞。
从上面流程可以看出，我们仅仅通过对话的方式，就让AI做出了一个”看起来可用”的Web水平越权漏洞检测系统，甚至对于如何修改参数、如何对比响应包的提示词都是AI自行编写的。但是全部使用AI完成这套流程存在一个比较麻烦的问题，就是维护和扩展只能依赖AI继续完成，自己和别人都无法很好的理解和扩展这段代码，最后可能变成一个”屎山”系统。
N8N和coze、Dify等系统一样，都是原生支持AI大模型的工作流平台，拥有非常丰富的组件和社区模板，用户只需要在工作台拖动组件进行配置就可以完成，这样的方式对于维护和扩展来说都非常简洁直观。
首先先写一个代理脚本，作为初步的数据过滤和格式化，减少并标准化发送到n8n进行AI处理的流量。
然后让AI生成N8N工作流json文件，导入到N8N平台经过调整之后流程如下。
最后只需在主机上运行一个代理即可，N8N的工作流就相当于一个AI AGENT，完成了所有的测试工作。
如此以来，就对整个检测系统进行了解耦，N8N作为检测中枢，其中的所有模块都可以复用，如流量解析、请求重放、去重、告警通知等，如果想要测试其他漏洞，只需修改AI节点中的提示词即可，从维护和扩展上来说，都非常的方便直观。对于测试人员来说，不需要知道检测系统怎么启动运行，只需要启动一个代理接入即可；对于设计人员来说，只需要在N8N工作流平台中进行流程设计即可。这样的模式对于集成到CI/CD会更有优势。
本文仅对水平越权漏洞的AI全自动化发现流程进行了研究，而且并未考虑系统通用性、性能、提示词设计等因素，只是一次实验性的探索。从结果上来说，流程上是跑通了但是还没有落地可用，但在设计过程中，确实感觉让AI融入现有流程的效果确实比让AI从零实现一个目标的效果要好得多，很多单位内部其实都有了一套安全测试（运营）流程（工作流），可以让AI集成到这一流程中，既能够真实的节省人力，也不至于有很大的学习维护成本。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/250628.html原文链接：https://javaforall.net
